CN106374992A - 无人机最优中继位置定位方法及系统 - Google Patents

Abstract

一种无人机在无线通信领域中的无人机最优中继位置定位方法及系统，通过首先为无人机建立三维空间的链路质量矩阵；从链路质量矩阵中计算出候选的最优中继位置，无人机以最短路径飞向此候选最优位置；在飞行过程中，不断与发送端和接收端通信，采样得到链路质量；每得到一个新的采样点数据，就通过矩阵恢复方法更新整个链路质量矩阵；当无人机当前位置为最优中继位置则完成定位，否则在更新后的链路质量矩阵中重新选择候选最后位置，并更新路径飞往新最优中继位置。本发明能够在三维空间中快速自动寻找到无人机的最优中继位置，为空间两点之间传输信号，且能够自动适应空间的障碍物和动态环境，保证信号质量。

Description

无人机最优中继位置定位方法及系统

技术领域

本发明涉及的是一种无线通讯领域的技术，具体是一种无人机最优中继位置定位方法及系统。

背景技术

在含中继节点的移动通信系统中，为了保障数据从发送端到接收端的成功传输、优化传输的质量，往往采用可以移动的中继节点自主寻找最优位置并转发数据。无人机在三维空间自由移动，是作为中继节点的常规手段之一，但现有技术，比如摄像头技术，尚无法令无人机在动态环境下准确的确定最优中继位置。

发明内容

本发明针对现有技术并没有将无人机的中继位置进行优化，因此无法保证信号的质量与传输效果且无法适用于应急场景下传输链路的快速建立等缺陷，提出一种无人机最优中继位置定位方法及系统，本发明能够在三维空间中快速自动寻找到无人机的最优中继位置，为空间两点之间转发信号，且能够动态环境，保证信号质量。

本发明是通过以下技术方案实现的：

本发明首先确定通过无人机摄像头粗略判断发送端和接收端相对位置，并通过信号衰减模型建立三维空间的链路质量矩阵；从链路质量矩阵中计算出候选的最优中继位置，无人机以最短路径飞向此候选最优位置；在飞行过程中，不断与发送端和接收端通信，采样得到链路质量；每得到一个新的采样点数据，就通过矩阵恢复方法更新整个链路质量矩阵；当无人机当前位置为最优中继位置则完成定位，否则在更新后的链路质量矩阵中重新选择候选最后位置，并更新路径飞往新最优中继位置。

所述的建立链路质量矩阵为三维矩阵，该矩阵中的每一个元素是无人机在对应三维空间中该位置上的与发送端和接收端的链路质量值。

所述的链路质量值Q(i,j,k)＝(S_o-P(d_o))×(S_c-P(d_c))，其中：S_o、P(d_o)为接收端信号发射时的强度及其到达点(i,j,k)路径上的主要衰减，S_c、P(d_c)为发送端信号发射时的强度及其到达点(i,j,k)路径上的主要衰减，(i,j,k)是对应三维空间位置建立的三维矩阵。

所述的主要衰减是无线通信领域的经典衰减模型P(d)＝10αlog(d)+β，其中：α和β是常量，d为信号发射端与无人机之间的路径距离。

所述的更新为在线更新，包括如下步骤：

1)从链路质量矩阵中计算出候选的最优中继位置。链路质量矩阵Q中链路质量值最大的项所对应的目标空间的点即为候选的最优中继位置。当前最优候选位置记为p(p_x，p_y，p_z)。

2)无人机以最短路径飞向此候选最优位置。无人机从计算从当前所在位置到最优候选位置p(p_x，p_y，p_z)的最短路径。若没有阻挡，则为直线距离；若存在阻挡，则通过最短路径方法计算能够避开阻挡的最短路，以求能尽快建立链接。

3)在飞行过程中，不断与发送端和接收端通信，采样得到链路质量。无人机在飞向候选最优位置的过程中，如果能够辅助发送端和接收端转发数据的话就进行转发。同时，无论是否能够转发，都采集其飞行路径上各个点在链路质量矩阵中的对应点的链路质量值，并将实测链路质量更新到实测样本集U。原因在于原矩阵使用通过理论模型建立，与实际情况存在偏差，用实测链路质量进行校正使得矩阵逐步逼近真实情况。

4)每得到一个新的采样点数据，就通过矩阵恢复方法更新整个链路质量矩阵。压缩感知是一种高精度的矩阵重构方法，可以通过少量采样点数据，重构整个矩阵。通过每一个新采样点，对链路质量矩阵进行重构更新，越多的采样点使得重构精读更高，最优位置判断更准确。

5)当无人机移动到的当前位置已经为候选最优中继位置了，整个过程结束，否则回到步骤1)。无人机所在位置作为无人机新的起始点。

另外，当无人机悬停在最优中继位置后，每经过预设时间间隔将对当前位置及相邻位置进行重新采样并对链路质量矩阵进行更新，然后继续执行步骤2)至步骤5)以适应环境变化。其目的是为了适应动态环境导致的最优中继位置的改变。

所述的矩阵恢复方法更新整个链路质量矩阵，在本发明中以压缩感知方法为例介绍矩阵恢复，但不局限于压缩感知，其它矩阵恢复方法也可使用。压缩感知方法是利用矩阵的低秩特点从已知的矩阵样本恢复整个矩阵所有元素的过程。在矩阵理论中，已知低秩矩阵的部分元素，对整个矩阵进行恢复或者预测是解决如下问题：

其中，P_Ω为采样操作符，P_Ω(X)表示采集矩阵X中的元素，位置由Ω决定。根据矩阵理论可以知道令Y为已知的矩阵元素集，利用操作符G＝F₃P_ΩF₃ ^-1对矩阵进行第三维的傅里叶逆变换和正变换，如上问题可以转化为：

引入矩阵记号Z，指示函数I，则所述的矩阵恢复问题即为解决如下问题：

通过求解由以下三个公式组成的迭代问题可以解得目标矩阵

${\hat{X}}^{k+1}={\mathrm{argmin}}_{\hat{X}:\hat{Y}=G\left(\hat{X}\right)}\left\{\right||{\hat{X}}^k-({\hat{Z}}^k-{\hat{T}}^k)|{|}_F\},$

${\hat{Z}}^{k+1}={\mathrm{argmin}}_{\hat{Z}}\left\{\frac{1}{\mathrm{\ρ}}\right|\left|blkdiag\left(\hat{Z}\right)\right|{|}_{*}+\frac{1}{2}\left|\right|{\hat{Z}}^k-({\hat{X}}^{k+1}+{\hat{T}}^k)\left|{|}_F\right\},$

${\hat{T}}^{k+1}={\hat{T}}^k+({\hat{X}}^{k+1}-{\hat{Z}}^{k+1}).$

其中，三维矩阵的求解可以分解成一系列二维矩阵的求解，可以通过以下的公式求解：

${\hat{Z}}^{k+1,\left(i\right)}={\mathrm{argmin}}_W\left\{\frac{1}{\mathrm{\ρ}}\right|\left|W\right|{|}_{*}+\frac{1}{2}\left|\right|W-({\hat{X}}^{k+1,\left(i\right)}+{\hat{T}}^{k,\left(i\right)})\left|{|}_F\right\},$

其中i＝1,2,…。计算得到后，通过将这些二维矩阵合并即可得到之后则进入迭代式的下一轮迭代，最终得到目标矩阵

本发明涉及一种实现上述方法的系统，如图3所示，包括：传感器模块、迭代更新模块以及执行模块，其中：传感器模块利用无人机传感器采集链路质量值，并传递给迭代更新模块。迭代更新模块包括样本处理模块和矩阵更新模块，样本处理模块处理传感器模块传入的采样样本并传递给矩阵更新模块，矩阵更新模块以样本作为输入进行矩阵更新并将新最优中继位置传输给执行模块。执行模块接收到新的最优中继位置，输出无人机行动命令。

技术效果

与现有技术相比，本发明能够在三维空间中以较快的速度让无人机自动寻找到最优中继位置，为空间两点之间传输信号，且能够自动适应空间的障碍物及环境的动态变化，保证信号质量。

附图说明

图1为本发明的流程示意图；

图2为本发明的应用场景示意图；

图3为本发明系统模块设计示意图；

图4(a)(b)为目标空间20×20×20时的实验结果示意图；

图5(a)(b)为目标空间30×30×30时的实验结果示意图；

图6(a)(b)为目标空间40×40×40时的实验结果示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例场景如图2所示，消防车救火应用中，消防车云梯顶端摄像头需要将视频信息无线传输到指挥车。但无线信号穿透性差，若收发两端之间存在阻隔，比如房屋建筑，则视频信号无法直接传输，需要移动中继节点进行转发。救火类紧急应用中，需要移动中继能自动需要位置，不占用额外人手；快速建立转发，保障视频传输；自适应动态环境。

本实施例中的无人机最优中继位置定位方法如图1所示，包括以下步骤：

1)建立和初始化链路质量矩阵。如图2所示，o(0,0,0)为空间原点，也即指挥车的位置。c(n₁，n₂，n₃)为消防车上的摄像机的位置，其中：n₁，n₂，n₃为目标空间划分的维度，整个目标空间被划分成n₁×n₂×n₃个位置。无人机起飞位置为s(s_x，s_y，s_z)即起始点。无人机可以从目标空间的地面中的任意一点开始起飞，寻找当前最优点。初始化链路质量矩阵。链路质量矩阵Q建立在基本信号传输模型之上。所述的链路质量矩阵Q为三维矩阵，该矩阵中的每一个元素是无人机在对应三维空间中该位置上的链路质量值。信号在无人机与指挥车或者摄像机之间的传播路径传播，信号的主要衰减P(d)＝10αlog(d)+β，其中：α和β是常量，d为信号发射端与无人机之间的路径距离。发射端可以是指挥车或者摄像机。链路质量矩阵中的每个元素值Q(i，j,k)＝(S_o-P(d_o))×(S_c-P(d_c))，其中：S_o、P(d_o)为指挥车的信号发射时的强度及其到达目标空间中的点(i,j,k)路径上的主要衰减，S_c、P(d_c)为摄像机的信号发射时的强度及其到达目标空间中的点(i,j,k)路径上的主要衰减。

2)从链路质量矩阵中计算出候选的最优中继位置。链路质量矩阵Q中链路质量值最大的项所对应的目标控件的点即为当前最优点。当前最优点记为候选最优中继位置p(p_x，p_y，p_z)。

3)无人机以最短路径飞向此候选最优位置。无人机从计算从当前所在位置到最优候选位置p(p_x,p_y,p_z)的最短路径。若没有阻挡，则为直线距离；若存在阻挡，则通过最短路径方法计算能够避开阻挡的最短路。

4)在飞行过程中，不断与发送端和接收端通信，采样得到链路质量。在飞行过程中，不断与发送端和接收端通信，采样得到链路质量。无人机在飞向候选最优位置的过程中，如果能够辅助发送端和接收端转发数据的话就进行转发。同时，无论是否能够转发，都采集其飞行路径上各个点在链路质量矩阵中的对应点的链路质量值，并将实测链路质量更新到实测样本集U。

5)每得到一个新的采样点数据，就通过矩阵恢复方法更新整个链路质量矩阵。根据之前的描述，压缩感知方法需要解决如下问题得到目标矩阵

其中，矩阵中的元素由实测样本集U中的元素组成。通过求解由以下三个公式组成的迭代问题可以解得目标矩阵

${\hat{X}}^{k+1}={\mathrm{argmin}}_{\hat{X}:\hat{Y}=G\left(\hat{X}\right)}\left\{\right||{\hat{X}}^k-({\hat{Z}}^k-{\hat{T}}^k)|{|}_F\},$

${\hat{Z}}^{k+1}={\mathrm{argmin}}_{\hat{Z}}\left\{\frac{1}{\mathrm{\ρ}}\right|\left|blkdiag\left(\hat{Z}\right)\right|{|}_{*}+\frac{1}{2}\left|\right|{\hat{Z}}^k-({\hat{X}}^{k+1}+{\hat{T}}^k)\left|{|}_F\right\},$

${\hat{T}}^{k+1}={\hat{T}}^k+({\hat{X}}^{k+1}-{\hat{Z}}^{k+1}).$

其中，三维矩阵的求解可以分解成一系列二维矩阵的求解，可以通过以下的

公式求解：

${\hat{Z}}^{k+1,\left(i\right)}={\mathrm{argmin}}_W\left\{\frac{1}{\mathrm{\ρ}}\right|\left|W\right|{|}_{*}+\frac{1}{2}\left|\right|W-({\hat{X}}^{k+1,\left(i\right)}+{\hat{T}}^{k,\left(i\right)})\left|{|}_F\right\},$

其中i＝1,2,…,n₃。计算得到后，通过将这些二维矩阵合并即可得到之后则进入迭代式的下一轮迭代，最终得到目标矩阵

6)当无人机移动到的当前位置已经为候选最优中继位置了，整个过程结束，否则回到步骤2)。无人机所在位置作为无人机新的起始点。

所述的无人机悬停在最优中继位置后，经过一定时间间隔将对当前位置及相邻位置进行采样并对链路质量矩阵进行更新，然后继续执行步骤3)至步骤6)以适应环境变化。。

针对目标空间为20×20×20、30×30×30以及40×40×40的立方体空间进行试验。对应的链路质量矩阵的规模也为20×20×20、30×30×30以及40×40×40。

链路质量值的计算式中的S_o＝100，S_c＝100，α＝2，β＝0。对于规模为20×20×20的目标空间，无人机的起始点为s(20,0,0)。障碍物为一个长方体，其八个点坐标为(0,5,0)、(0,20,0)、(15,5,0)、(15,20,0)、(0,5,20)、(0,20,20)、(15,5,20)、(15,20,20)。对于规模为30×30×30的目标空间，无人机的起始点为s(30,0,0)。障碍物为一个长方体，其八个点坐标为(0,7.5,0)、(0,30,0)、(22.5,7.5,0)、(22.5,30,0)、(0,7.5,30)、(0,30,30)、(22.5,7.5,30)、(22.5,30,30)。对于规模为40×40×40的目标空间，无人机的起始点为s(40,0,0)。障碍物为一个长方体，其八个点坐标为(0,10,0)、(0,40,0)、(30,10,0)、(30,40,0)、(0,10,40)、(0,40,40)、(30,10,40)、(30,40,40)。

E为衡量单个实验内技术方案得到的最终结果的标准，该值是本次实验中每个模拟结果值与实际最优值差的平方和，由如下计算式得到：该值越大，表示与实际最优值相差较大，说明技术方案性能较差；该值越小，表示与实际最优值相差较小，说明技术方案性能较好。

Error为衡量单个实验内技术方案稳定可靠的标准，该值是本次实验中数据的标准差，该值越大，表示技术方案数次模拟得到的结果之间相差较大，说明技术方案不稳定可靠；该值越小，表示技术方案数次模拟得到的结果之间相差较小，说明技术方案稳定可靠。

试验中，A组采用离线预测的方法获得无人机的中继位置，B组采用邻居更新更新方法获得无人机中继位置，C组采用本发明的方法获得。

对于每组数据，有3项指标，分别是链路质量标准E，链路质量标准差Error，以及平均耗时。对于链路质量标准E，它体现了得到的最优结果与实际最优结果相差多少，因此该值越小越好。链路质量标准差Error体现了多次试验中技术方法的稳定可靠性，因此该值越小，表明多次结果相近，技术方法更稳定可靠。平均耗时体现了技术方法取得最终结果所需要的时间，其值越小方法得到结果越快。

如图4所示，从图中可以看出，邻居更新方法的链路质量指标E值较大，而本发明的方法链路质量指标E值最小且在三个方法中最为稳定，离线预测方法和邻居更新方法平均耗时接近且较短，本发明的方法平均耗时较长。具体实验数据如下：对于链路质量指标E，离线预测方法为0.552×10^-3，邻居更新方法为1.712×10^-3，本发明的方法为0.280×10^-3，对于链路质量标准差Error，离线预测方法为0.445×10^-3，邻居更新方法为0.642×10^-3，本发明的方法为0.296×10^-3，对于平均耗时，本发明的方法耗时约为其他两种方法的两倍。

如图5所示，邻居更新方法的链路质量指标E值较大并且较不稳定，而本发明的方法链路质量指标E值最小且数次模拟结果十分稳定，离线预测方法和局部邻居方法平均耗时同样短于本发明的方法。具体实验数据如下：对于链路质量指标E，离线预测方法为0.451×10^-3，邻居更新方法为1.397×10^-3，本发明的方法为0.158×10^-3，对于链路质量标准差Error，离线预测方法为0.431×10^-3，邻居更新方法为1.045×10^-3，本发明的方法为0.107×10^-3，对于平均耗时，本发明的方法耗时同样约为其他两种方法的两倍.

如图6所示，邻居更新方法的链路质量指标E值较大，离线预测方法和本发明的方法链路质量指标E值接近且较小，并且也相对稳定，本发明的方法平均耗时仍旧长于离线预测方法和邻居更新方法。具体实验数据如下：对于链路质量指标E，离线预测方法为0.349×10^-3，邻居更新方法为1.594×10^-3，本发明的方法为0.312×10^-3，对于链路质量标准差Error，离线预测方法为0.217×10^-3，邻居更新方法为0.676×10^-3，本发明的方法为0.178×10^-3，对于平均耗时，本发明的方法耗时也约为其他两种方法的两倍。

本发明的方法可以在第一轮迭代之后就建立传输链路开始工作，之后再保持中继连通的情况下到达更好的位置。最终链路质量指标E和链路质量标准差Error均有较好的表现。综合考虑各项指标，本发明的方法能够取得更好的结果。

实验结果也表明，与现有技术相比，本发明能够在三维空间中快速自动寻找到无人机的最优中继位置，为空间两点之间传输信号，且能够自动适应空间的障碍物，保证信号质量。

Claims (8)

1.一种无人机最优中继位置定位方法，其特征在于，首先为无人机建立三维空间的链路质量矩阵；从链路质量矩阵中计算出候选的最优中继位置，无人机以最短路径飞向此候选最优位置；在飞行过程中，不断与发送端和接收端通信，采样得到链路质量；每得到一个新的采样点数据，就通过矩阵恢复方法更新整个链路质量矩阵；当无人机当前位置为最优中继位置则完成定位，否则在更新后的链路质量矩阵中重新选择候选最后位置，并更新路径飞往新最优中继位置。

2.根据权利要求1所述的无人机最优中继位置定位方法，其特征是，所述的建立链路质量矩阵为三维矩阵，该矩阵中的每一个元素是无人机在对应三维空间中该位置上的与发送端和接收端的链路质量值。

3.根据权利要求1所述的无人机最优中继位置定位方法，其特征是，所述的链路质量值Q(i,j,k)＝(S_o-P(d_o))×(S_c-P(d_c))，其中：S_o、P(d_o)为接收端信号发射时的强度及其到达点(i,j,k)路径上的主要衰减，S_c、P(d_c)为发送端信号发射时的强度及其到达点(i,j,k)路径上的主要衰减，(i,j,k)是对应三维空间位置建立的三维矩阵。

4.根据权利要求1所述的无人机最优中继位置定位方法，其特征是，所述的主要衰减P(d)＝10αlog(d)+β，其中：α和β是常量，d为信号发射端与无人机之间的路径距离。

5.根据权利要求1所述的无人机最优中继位置定位方法，其特征是，所述的链路质量更新值到实测样本集U。

6.根据权利要求1所述的无人机最优中继位置定位方法，其特征是，所述的更新为在线更新，具体如下步骤：

1)从链路质量矩阵中计算出候选的最优中继位置，链路质量矩阵Q中链路质量值最大的项所对应的目标空间的点即为候选的最优中继位置，当前最优候选位置记为p(p_x,p_y,p_z)；

2)无人机以最短路径飞向此候选最优位置，无人机从计算从当前所在位置到最优候选位置p(p_x,p_y,p_z)的最短路径；

3)在飞行过程中，不断与发送端和接收端通信，采样得到链路质量；

4)每得到一个新的采样点数据，就通过矩阵恢复方法更新整个链路质量矩阵；

5)当无人机移动到的当前位置已经为候选最优中继位置了，整个过程结束，否则回到步骤1)。

7.根据权利要求1所述的无人机最优中继位置定位方法，其特征是，所述的矩阵恢复方法更新整个链路质量矩阵，是利用矩阵的低秩特点从已知的矩阵样本恢复整个矩阵的元素的过程，具体步骤步骤包括：已知低秩矩阵的部分元素，对整个矩阵进行恢复或者预测是解决如下问题：

其中，P_Ω为采样操作符，P_Ω(X)表示采集矩阵X中的元素，位置由Ω决定，根据矩阵理论知道令Y为已知的矩阵元素集，利用操作符G＝F₃P_ΩF₃ ^-1对矩阵进行第三维的傅里叶逆变换和正变换，如上问题转化为：

引入矩阵记号Z，指示函数I，则所述的矩阵恢复问题即为解决如下问题：

通过求解由以下三个公式组成的迭代问题解得目标矩阵

${\hat{X}}^{k+1}=\underset{\hat{X}:\hat{Y}=G\left(\hat{X}\right)}{\mathrm{argmin}}\left\{\right||{\hat{X}}^k-({\hat{Z}}^k-{\hat{T}}^k)|{|}_F\}$

${\hat{Z}}^{k+1}=\underset{\hat{Z}}{\mathrm{argmin}}\{\frac{1}{\mathrm{\ρ}}{\left|\right|blkdiag\left(\hat{Z}\right)\left|\right|}_{*}+\frac{1}{2}||{\hat{Z}}^k-({\hat{X}}^{k+1}+{\hat{T}}^k)|{|}_F\}$

${\hat{T}}^{k+1}={\hat{T}}^k+({\hat{X}}^{k+1}-{\hat{Z}}^{k+1})$

其中，三维矩阵的求解分解成一系列二维矩阵的求解，即：

${\hat{Z}}^{k+1,\left(i\right)}=\underset{W}{\mathrm{argmin}}\{\frac{1}{\mathrm{\ρ}}{\left|\left|W\right|\right|}_{*}+\frac{1}{2}||W-({\hat{X}}^{k+1,\left(i\right)}+{\hat{T}}^{k,\left(i\right)})|{|}_F\}$

其中i＝1,2,…,计算得到后，通过将这些二维矩阵合并即可得到之后则进入迭代式的下一轮迭代，最终得到目标矩阵

8.根据权利要求6所述的无人机最优中继位置定位方法，其特征是，当无人机悬停在最优中继位置后，每经过预设时间间隔将对当前位置及相邻位置进行重新采样并对链路质量矩阵进行更新，然后继续执行步骤2)至步骤5)以适应动态环境导致的最优中继位置的改变。